Offre de thèse: Détection et anticipation des ruptures de régime du trafic routier urbain par apprentissage sur graphes dynamiques : application aux situations critiques et évacuations, H/F

Description du Poste

Sujet De Thèse

1. Résumé du sujet
Le trafic routier urbain présente en temps normal des régularités spatiales et temporelles relativement stables. En revanche, certaines situations critiques (accidents majeurs, manifestations, épisodes météorologiques extrêmes, fermetures d’infrastructures ou évacuations) provoquent des ruptures brutales de fonctionnement, pour lesquelles les approches classiques de détection d’anomalies deviennent peu pertinentes.
Cette thèse vise à développer de nouvelles méthodes d’analyse du trafic fondées sur l’apprentissage sur graphes dynamiques, afin de reconstruire un trafic « attendu » à partir de la structure du réseau, du contexte et d’hypothèses sur la demande. L’objectif est de détecter et d’anticiper les dysfonctionnements critiques du réseau (congestions propagatives, goulets d’étranglement, pertes de connectivité), avec des applications aux situations de crise.

2. Problématique et objectifs scientifiques
Les méthodes classiques de détection d’anomalies reposent sur l’idée que le trafic reste proche de régimes déjà observés. Cette hypothèse devient fragile lorsque le système entre dans des configurations exceptionnelles ou fortement perturbées. La thèse cherchera à répondre à la question suivante : Comment modéliser la relation entre réseau routier, demande de transport et contexte afin de produire un référentiel dynamique du trafic, capable de rester pertinent en présence de ruptures de régime ?
Dans cette perspective, il s’agira (i) de modéliser les régularités du trafic urbain, (ii) de caractériser les transitions entre régimes de circulation, (iii) de détecter précocement les déséquilibres critiques du réseau et (iv) d’évaluer la robustesse des approches proposées dans des contextes de forte perturbation.

3. Verrous et méthodologie
Le principal verrou scientifique concerne la capacité des modèles appris en situation ordinaire à rester informatifs lorsque la demande ou les conditions de circulation changent brutalement. Il s’agit notamment de traiter la non-stationnarité des dynamiques de trafic et de comprendre dans quelle mesure les régularités apprises peuvent être mobilisées hors de leur domaine de validité initial. Pour répondre à ces enjeux, la méthodologie reposera sur la construction de graphes dynamiques du réseau routier intégrant à la fois sa structure, son fonctionnement et son contexte. Des modèles d’apprentissage de type réseaux de neurones sur graphes (GNN) seront développés afin de capturer les dépendances spatiales et temporelles du trafic. L’approche intégrera des données de trafic, des variables contextuelles telles que la météo, le calendrier et les événements exceptionnels, et s’appuiera sur l’analyse de la divergence entre trafic observé et trafic prédit pour identifier les anomalies. Enfin, des scénarios simulés de perturbation et de crise seront mobilisés afin d’évaluer la capacité des modèles à anticiper les dégradations du réseau.

4. Résultats attendus
La thèse devrait aboutir au développement de nouvelles méthodes de détection d’anomalies adaptées aux graphes dynamiques et aux contextes non stationnaires, ainsi qu’à une meilleure compréhension des ruptures de régime du trafic urbain et des mécanismes de propagation des perturbations. Elle permettra également de produire des indicateurs de vulnérabilité fonctionnelle du réseau, capables de caractériser les zones ou les segments les plus sensibles aux déséquilibres, et de proposer des outils d’aide à la décision pour l’analyse et l’anticipation de situations critiques.

Votre Environnement de Travail

5. Le doctorat est financé par la Mission pour les Initiatives Transverses et Interdisciplinaires (MITI) du CNRS (https://miti.cnrs.fr/programme-interne-80-prime/) et s’inscrit dans une collaboration entre CNRS Sciences humaines & sociales (https://www.inshs.cnrs.fr/) et CNRS Sciences informatiques (https://www.ins2i.cnrs.fr/). Le ou la doctorant·e sera principalement accueilli·e à l’UMR 6266 IDEES (Rouen / Mont-Saint-Aignan) et inscrit à l’école doctorale HRST. Il est prévu une à deux journées par semaine sur le site du Madrillet, au sein du laboratoire LITIS de l’université de Rouen. Des séjours d’une semaine ou plus au laboratoire LIG de Grenoble sont également prévus..
Le projet s’appuiera principalement sur la Métropole Rouen Normandie, qui dispose d’un réseau de mesure du trafic particulièrement riche (prés de 500 capteurs), complété par des données contextuelles et des données d’opérateurs (TomTom, Waze). Des applications complémentaires sont envisagées en Guadeloupe et en Martinique, dans des contextes de risques cycloniques et volcaniques.

6. Compétences attendues
Le ou la candidate devra avoir :
- une formation en informatique, science des données, mathématiques appliquées, modélisation ou domaine proche ;
- un intérêt pour les graphes, les dynamiques spatio-temporelles, l’apprentissage automatique ou les réseaux complexes ;
- un goût pour le travail interdisciplinaire.
Une expérience en Apprentissage Machine, avec une spécialisation en apprentissage profond (Deep Learning) et idéalement en réseaux neuronaux sur graphe (GNN), SIG, simulation, analyse spatiale ou réseaux de transport constituera un atout.

Rémunération et avantages

Rémunération

La rémunération est d'un minimum de 2300,00 € mensuel

Congés et RTT annuels

44 jours

Pratique et Indemnisation du TT

Pratique et indemnisation du TT

Transport

Prise en charge à 75% du coût et forfait mobilité durable jusqu’à 300€

À propos de l’offre

À propos du CNRS

Le CNRS est un acteur majeur de la recherche fondamentale à une échelle mondiale. Le CNRS est le seul organisme français actif dans tous les domaines scientifiques. Sa position unique de multi-spécialiste lui permet d’associer les différentes disciplines pour affronter les défis les plus importants du monde contemporain, en lien avec les acteurs du changement.

Le CNRS

Les métiers de la recherche